基于查询难度的推理视角门控融合，用于时间检索

推理密集型时间检索需要将查询与相关性依赖于共享时间推理而不是词汇重叠的文档相匹配。将查询扩展为多个重新表述，使其时间意图明确，然后对每个重新表述进行检索，提供了这种推理，但是将结果排名与相同权重融合会浪费准确性：对于任何单个查询，只有一些重新表述是可靠的。我们提出推理视图的查询难度门控融合。从每个视图中，我们读取其分数分布的八维签名，该签名是根据查询性能预测量（例如 softmax 熵、分数差距和离散度）构建的，并且包含大约 1000 个参数的门将这些签名映射到每个查询视图权重。融合排名在推理时不使用相关标签，不重新排名，并且不使用 检索器 的 微调；该门经过训练留一任务。在 \textsc{Tempo} 基准上，该方法改进了我们评估的所有六个 检索器，从 BERT 编码器到 7B 解码器 检索器，在较弱的主干上获得了最大的增益。最强的 检索器 达到 $0.297$ 和 $0.303$ nDCG@10，并且在配对引导下，每个查询相对于原始查询的增益是显着的 ($p<0.001$)。每个查询的预言机达到 0.364 美元，而我们实现的 0.297 美元，暴露出将每个查询视图选择确定为具体下一步的空间。